Predicción avanzada de series de tiempo con XGBoost

Contenido

1. Introducción 🎥
2. Análisis de valores atípicos ✨
3. Horizonte de pronóstico 📆
4. Validación cruzada en series de tiempo ⌛
5. Creación de características con retraso ⏰
6. Predicción del futuro 🚀
7. Guardar y cargar modelos de XGBoost 💾
8. Bonus: Consejos adicionales 💡

Introducción 🎥

Recientemente, he realizado un video sobre la predicción de series de tiempo con XGBoost, y fue uno de mis videos más populares hasta ahora. Agradezco a todos los que lo vieron. Sin embargo, recibí muchos comentarios y me di cuenta de que dejé muchos aspectos sin cubrir. En este video, profundizaré en esos temas y proporcionaré más información detallada. Si aún no has visto el primer video, te sugiero que lo veas para tener una mejor comprensión antes de continuar con este. Aquí está el enlace [insertar enlace]. ¡Pero por supuesto, tú decides qué hacer! Entonces, sin más preámbulos, ¡veamos el código!

Análisis de valores atípicos ✨

Antes de sumergirnos en el código, es importante considerar el análisis de valores atípicos en este tipo de conjunto de datos. En nuestro video anterior, no abordamos este tema, pero es crucial tomarlo en cuenta. Eliminar los valores atípicos adecuadamente puede mejorar significativamente la calidad de nuestros resultados de pronóstico. Veamos un histograma rápido de los datos de consumo de energía por hora para identificar posibles valores atípicos. Podemos observar que la mayoría de las veces los valores están entre 20,000 y 50,000. Sin embargo, hay un período en 2012 donde los valores son significativamente más bajos. Esto podría indicar un problema con los sensores o un apagón en ese momento. Debemos eliminar estos valores atípicos para evitar que el modelo aprenda de ellos. Vamos a hacer esto estableciendo un umbral de 19,000 y filtrando los valores que sean mayores que eso.

Horizonte de pronóstico 📆

Otro aspecto importante a tener en cuenta al construir modelos de series de tiempo es el horizonte de pronóstico. Este se refiere a qué tan lejos en el futuro queremos hacer pronósticos. Por lo general, cuanto más lejos estemos prediciendo, más difícil será lograr precisión en los resultados. Además, también estamos limitados por las características rezagadas, que discutiremos más adelante. Es importante definir un horizonte de pronóstico adecuado que refleje nuestras necesidades y limitaciones. En nuestro caso, vamos a predecir un año en el futuro, lo que equivale a 24 horas multiplicado por 365 días. También debemos tener en cuenta el espacio entre el conjunto de entrenamiento y el conjunto de validación, que en este caso será de 24 horas.

Validación cruzada en series de tiempo ⌛

En nuestro video anterior, solo realizamos una división de datos en conjuntos de entrenamiento y prueba. Sin embargo, una forma más robusta de validar nuestros modelos en series de tiempo es utilizando la validación cruzada en series de tiempo. Afortunadamente, Sklearn proporciona una herramienta llamada "TimeSeriesSplit" que nos permite realizar esta validación de manera sencilla. Esta clase nos permite definir el tamaño máximo del conjunto de entrenamiento, el número de divisiones y el espacio entre ellas. Una vez que hemos configurado este objeto, podemos usarlo para generar los índices de los conjuntos de entrenamiento y validación. Vamos a visualizar estos conjuntos en una gráfica para facilitar su comprensión. Al tener múltiples divisiones en el tiempo, podemos evaluar nuestro modelo de manera más completa y garantizar que no haya fugas de información futura en nuestro proceso de validación.